CN113743010A - 基于eemd能量熵的滚动轴承运行状态评估方法 - Google Patents

基于eemd能量熵的滚动轴承运行状态评估方法 Download PDF

Info

Publication number
CN113743010A
CN113743010A CN202111016932.1A CN202111016932A CN113743010A CN 113743010 A CN113743010 A CN 113743010A CN 202111016932 A CN202111016932 A CN 202111016932A CN 113743010 A CN113743010 A CN 113743010A
Authority
CN
China
Prior art keywords
bearing
value
particle
particles
time domain
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202111016932.1A
Other languages
English (en)
Other versions
CN113743010B (zh
Inventor
王林军
徐洲常
刘洋
蔡康林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Three Gorges University CTGU
Original Assignee
China Three Gorges University CTGU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Three Gorges University CTGU filed Critical China Three Gorges University CTGU
Priority to CN202111016932.1A priority Critical patent/CN113743010B/zh
Priority to CN202311309703.8A priority patent/CN117540285A/zh
Publication of CN113743010A publication Critical patent/CN113743010A/zh
Application granted granted Critical
Publication of CN113743010B publication Critical patent/CN113743010B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/04—Bearings
    • G01M13/045—Acoustic or vibration analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/08—Computing arrangements based on specific mathematical models using chaos models or non-linear system models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Nonlinear Science (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Medical Informatics (AREA)
  • Acoustics & Sound (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及基于EEMD能量熵的滚动轴承运行状态评估方法，包括：采集轴承全寿命振动数据；计算得到轴承的全寿命时域特征值；将不同时间段的轴承振动信号分解成模态分量，计算EEMD能量熵；计算得到轴承的全寿命的综合指标值；利用时域特征值、模态分量能量熵和综合指标值构建数据集；利用数据集和混沌粒子群算法对轴承寿命预测模型进行训练，确定最优的参数；采集待检测轴承的振动信号，计算时域特征值和模态分量能量熵，并输入轴承寿命预测模型，根据模型输出的综合指标值对待检测轴承进行运行状态评估。本发明利用时域指标和时频域特征指标提取得到综合指标值，利用混沌粒子群算法搜索确定最优的模型参数，得到预测精度高的轴承寿命预测模型。

Description

基于EEMD能量熵的滚动轴承运行状态评估方法
技术领域
本发明属于轴承寿命预测领域，具体涉及一种基于EEMD能量熵的滚动轴承运行状态评估方法。
背景技术
旋转机械在关系国计民生的行业如航天航空、军工事业和石油工业等中应用非常广泛。滚动轴承在旋转机械里面是一种极易损坏或故障的元件。相关数据表明，大约有三分之一的旋转机械失效是由滚动轴承发生失效而引起的；在电机的故障中；原由是轴承故障失效的大概有五分之二；在我国部分动车中，所有用过的滚动轴承都要经过检测，其中约有三分之一的滚动轴承是要调换的，否则很容易引起不可逆的严重事故发生。以上事实表明，为保证设备的稳定和有效工作，采取相应的监测手段和故障诊断手段是非常必要的，对保证人员安全减少经济损失更是具有实际意义。
滚动轴承在旋转机械中充当着实现传动以及连接功能的角色，其运行状态与设备系统的安全运行有着直接的关联。因此，需要有效的故障分析与诊断方法对其进行健康监测。近年来，基于机器学习的故障诊断方法被广泛应用在机械零部件的运行状态评估及性能退化趋势预测。例如，于广滨等构造出一种基于信息最小二乘生成对抗网络，结合优化算法与Softmax分类器可提高滚动轴承的寿命预测准确率。王奉涛等从轴承振动数据中提取各项指标并构造退化特征参数集，搭建长短期记忆网络预测模型并利用所得特征参数集实现轴承运行状态的精准识别。王玉静等通过快速傅里叶变换和卷积神经网络构造轴承的性能退化特征向量集，并改进深度森林模型，利用优化的模型和性能特征向量进行剩余寿命预测。曾大懿等利用并行多通道网络和长短时记忆网络搭建了一种新的轴承寿命预测模型并实现轴承剩余寿命的精准预测。
发明内容
本发明的技术问题是滚动轴承的剩余寿命难以精确预测，现有的基于机器学习的轴承故障诊断方法依赖高维特征参数集预测轴承剩余寿命，缺乏对轴承振动信号特征参数的深度挖掘，现有的轴承故障诊断方法依赖的高维特征参数集存在数据冗余和噪声，影响了轴承剩余寿命的精确预测。
本发明的目的是针对上述问题，提出一种新的基于集合经验模态分解(EnsembleEmpirical Mode Decomposition,EEMD)能量熵的滚动轴承运行状态评估方法，利用轴承振动信号的时域和时频域指标，以及核主成分分析(Kernel Principal ComponentAnalysis,KPCA)处理所得的综合指标，结合改进得到的混沌粒子群算法(Chaos ParticleSwarm Optimization,CPSO)，搭建回归型支持向量机(Support Vector Machine ForRegression,SVR)预测模型，实现滚动轴承的状态评估和寿命预测。
本发明的技术方案是基于EEMD能量熵的滚动轴承运行状态评估方法，将计算得到的分段轴承振动信号的时域特征值和集合经验模态分解的模态分量能量熵合成得到轴承振动信号的综合指标值，利用回归型支持向量机建立轴承寿命预测模型，将混沌搜索算法和粒子群算法相结合，利用混沌变量和序列代替粒子群算法的粒子进行混沌搜索，得到最优的回归型支持向量机的惩罚系数以及核函数的参数，轴承寿命预测模型根据根据时域特征值、模态分量能量熵得到综合指标值，利用轴承信号的综合指标值评估滚动轴承当前的运行状态，分析轴承性能变化趋势。
所述的基于EEMD能量熵的滚动轴承运行状态评估方法，包括以下步骤：
步骤1：采集轴承全寿命振动信号，按时间点将信号均分为若干段并进行降噪处理；
步骤2：计算得到每段轴承振动信号的时域特征；
步骤3：采用集合经验模态分解法将每段轴承振动信号分解成模态分量，计算模态分量的能量熵；
步骤4：采用核主成分分析法处理步骤2、步骤3得到的轴承振动信号全寿命时域特征指标值和模态分量能量熵，得到轴承振动信号全寿命综合指标值；
步骤5：利用步骤2-4得到的轴承振动信号时域特征值、模态分量能量熵作为轴承寿命预测模型的输入，综合指标值作为输出，将特征数据集分为训练集和预测集；
步骤6：采用回归型支持向量机建立轴承寿命预测模型，利用训练集和混沌粒子群算法对轴承寿命预测模型进行训练，确定最优的回归型支持向量机的惩罚系数以及核函数的参数；
步骤7：将预测集作为步骤6得到的回归型支持向量机的输入数据，根据轴承寿命预测模型的输出的综合指标值评估待检测轴承当前的运行状态，分析得到待检测轴承性能变化趋势。
步骤2中，轴承振动信号的时域特征包括峰峰值、均方根值、峭度、波形因子和裕度因子5项。给定离散信号xi(i＝1,2,…,N)，N表示信号的采样点数，时域特征值的计算式如下：
峰峰值xpp＝max(xi)-min(xi)，
均方根值
Figure BDA0003240195650000021
方根幅值
Figure BDA0003240195650000031
峭度
Figure BDA0003240195650000032
波形因子
Figure BDA0003240195650000033
裕度因子L＝max|xi|/xr，
式中|xi|表示离散信号xi的绝对值，
Figure BDA0003240195650000034
表示离散信号xi(i＝1,2,…,N)的均值，xr为中间值。
步骤3中，将分段后的振动信号X(t)利用集合经验模态分解法分解为若干个模态分量cj(t)和残余分量r(t)的和，分解得到的振动信号X(t)的表达式如下
Figure BDA0003240195650000035
计算各个模态分量的的频带能量Ej和相对能量
Figure BDA0003240195650000036
Figure BDA0003240195650000037
式中cj(t)表示集合经验模态分解得到的第j个模态分量，j＝1,2,…,n；n表示集合经验模态分解得到的模态分量的总个数。
模态分量的能量熵的计算式如下：
Figure BDA0003240195650000038
式中Ej、
Figure BDA0003240195650000039
分别表示第j个模态分量的的频带能量和相对能量，j＝1,2,…,n。
步骤6中，所述混沌粒子群算法，通过Logistic映射模式，产生混沌变量和序列来代替原粒子群算法的粒子进行混沌搜索，混沌搜索的迭代公式如下
xk+1＝μxk(1-xk)
式中xk、xk+1分别表示第k次、第k+1次迭代得到的混沌变量，μ表示控制参数，当μ∈(3.56,4)时，混沌变量为混沌状态。
初始化粒子群X＝{xi,1≤i≤m}，其中xi表示粒子群第i个粒子，引入非线性的动态惯性权重系数和加速因子，实现粒子飞行速度的动态调节。
惯性权重系数的计算式如下
Figure BDA0003240195650000041
式中wi表示粒子xi的惯性权重系数，wmax、wmin分别表示权重系数取值的上限、下限，fi表示粒子xi的目标函数值，favg表示所有粒子的目标函数值的平均值，fmin表示所有粒子的目标函数值的最小值。
加速因子的计算式如下
Figure BDA0003240195650000042
式中c1、c2分别表示第一加速因子、第二加速因子，iter表示最大迭代次数。
粒子群的第i个粒子的速度、位置的计算式如下
Figure BDA0003240195650000043
式中xi(t)、vi(t)分别表示第i个粒子t时刻的位置和速度，r1(t)、r2(t)均为[0,1]的随机数生成函数，pi表示粒子xi的历史最优解，pg表示粒子群X中所有粒子的最优解；当原始粒子进行一次粒子群算法迭代后，选择粒子xi以及xi附近的粒子进行混沌优化，计算优化后粒子的目标函数值并与xi的函数值比较，确定具有历史最优解的粒子xi'；粒子xi'再进行粒子群算法迭代，得到具有历史最优解的粒子xi+1，选择粒子xi+1以及xi+1附近的粒子进行混沌优化，计算优化后粒子的目标函数值并与xi+1的函数值比较，确定具有历史最优解的粒子xi+1'。重复以上操作，当达到最大迭代次数iter时，输出结果。
将粒子xi的位置数据作为回归型支持向量机的惩罚系数和核函数的参数，计算回归型支持向量机的轴承剩余寿命预测结果的均方根误差，将预测结果的均方根误差作为粒子xi的目标函数，粒子xi的目标函数fi的计算式如下：
Figure BDA0003240195650000051
式中yij表示训练集的第j个样本输入粒子xi的位置数据作为参数的回归型支持向量机得到的轴承综合指标的预测值，
Figure BDA0003240195650000052
表示训练集的第j个样本的轴承的综合指标值；n表示训练集的样本总数。
相比现有技术，本发明的有益效果包括：
1)本发明利用回归型支持向量机建立轴承寿命预测模型，将混沌搜索算法和粒子群算法相结合，利用混沌变量和序列代替粒子群算法的粒子进行混沌搜索，确定最优的回归型支持向量机的惩罚系数以及核函数的参数，得到预测精度高的轴承寿命预测模型，实现了滚动轴承的状态评估和寿命预测，对运行轴承进行实时健康监测，识别出轴承异常，避免或减少设备故障带来的损失；
2)本发明计算集合经验模态分解的模态分量的能量熵，作为轴承振动信号的时频域特征输入轴承寿命预测模型，提高了轴承寿命的预测精度；
3)本发明利用核主成分分析法从轴承振动信号的时域特征指标和模态分量能量熵中提取得到轴承振动信号的综合指标值，实现了轴承振动信号特征参数的有效挖掘，轴承振动信号的综合指标值避免数据冗余，有利于轴承寿命的精确预测；
4)本发明提出的混沌粒子群算法对回归型支持向量机的参数寻优效果优于粒子群算法、网格搜索算法和遗传算法，混沌粒子群算法确定最优参数的轴承寿命预测模型的预测精度高；
5)本发明的轴承剩余寿命预测方法易于实现、实施，且易于推广应用到其它旋转机械设备，用于机械设备的健康监测，应用前景好。
附图说明
下面结合附图和实施例对本发明作进一步说明。
图1为本发明实施例的滚动轴承运行状态评估方法流程图。
图2为本发明实施例中标号为3-3的滚动轴承的全寿命数据。
图3a为本发明实施例中标号为3-3的轴承振动信号EEMD能量熵示意图。
图3b为本发明实施例中标号为3-3的轴承振动信号峰峰值示意图。
图3c为本发明实施例中标号为3-3的轴承振动信号均方根值示意图。
图3d为本发明实施例中标号为3-3的轴承振动信号峭度示意图。
图3e为本发明实施例中标号为3-3的轴承振动信号波形因子示意图。
图3f为本发明实施例中标号为3-3的轴承振动信号裕度因子示意图。
图4为本发明实施例中标号为3-3的轴承时频域指标归一化结果示意图。
图5为本发明实施例中标号为3-3的轴承综合指标归一化结果示意图。
图6为本发明实施例中步长为4的第一SVR模型的预测结果示意图。
图7为本发明实施例中步长为5的第一SVR模型的预测结果示意图。
图8为本发明实施例中步长为6的第一SVR模型的预测结果示意图。
图9为本发明实施例中CPSO优化的第二SVR模型的预测结果示意图。
图10为本发明实施例中PSO算法优化的第三SVR模型的预测结果示意图。
图11为本发明实施例中GSA算法优化的第三SVR模型的预测结果示意图。
图12为本发明实施例中GA算法优化的第三SVR模型的预测结果示意图。
具体实施方式
如图1所示，基于EEMD能量熵的滚动轴承运行状态评估方法，包括以下步骤：
步骤1：采集轴承全寿命振动信号，按时间点将信号均分为若干段并进行降噪处理。
步骤2：计算信号的全寿命峰峰值、均方根值、峭度、波形因子、裕度因子5项时域指标；给定离散化信号xi(i＝1,2,…,N)，则各时域指标对应的计算公式如下：
xpp＝max(xi)-min(xi)
Figure BDA0003240195650000061
Figure BDA0003240195650000062
Figure BDA0003240195650000063
L＝max|xi|/xr
Figure BDA0003240195650000064
式中xpp,xrms,K,S,L,xr分别为信号的峰峰值、均方根值、峭度、波形因子、裕度因子和方根幅值，N表示信号的采样点数，|xi|表示离散信号xi的绝对值，
Figure BDA0003240195650000065
表示离散信号xi(i＝1,2,…,N)的均值，xr为指标计算的中间值。
步骤3：对每段轴承振动信号进行EEMD分解，得到信号的EEMD能量熵；
步骤3.1：将分段后的振动信号X(t)通过EEMD分解为若干个模态分量cj(t)和残余分量r(t)的和，并计算各个模态分量的的频带能量Ej和相对能量
Figure BDA0003240195650000071
Figure BDA0003240195650000072
Figure BDA0003240195650000073
式中cj(t)是对信号进行EEMD分解后得到的第j个模态分量，j＝1,2,…,n；n表示分解所得模态分量的总个数；
步骤3.2：EEMD能量熵表达式为：
Figure BDA0003240195650000074
式中Ej、
Figure BDA0003240195650000075
分别为各模态分量的的频带能量、相对能量，j＝1,2,…,n。
步骤4：采用KPCA处理步骤2、步骤3得到的轴承振动信号全寿命时域特征指标值和EEMD能量熵，得到轴承振动信号的全寿命综合指标值。
核主成分分析法通过一个非线性映射把原始空间的数据投影到高维特征空间，在高维特征空间中再进行主成分分析；若有m个含n维特征的样本数据X＝(x1,x2,...,xn)T，X为m×n维的矩阵，通过
Figure BDA0003240195650000076
将数据X映射到高维特征空间，φ(X)的协方差矩阵为CF，其中
Figure BDA0003240195650000077
通过引入核函数求解CF的特征值及特征向量，可得以下关系：mλα＝Kα
式中α为特征向量，即变化后的各项特征，α＝[α1,α2,...,αm]，K为核函数。
本发明取特征向量α的第一主成分为分析结果
F1＝a1α1+a2α2+…+amαmF1为分析结果，a为主成分系数。实施例的KPCA方法参照2021年第2期《振动工程学报》刊登的王望望等人的论文“集成KPCA与t-SNE的滚动轴承故障特征提取方法”公开的KPCA方法。
步骤5：利用步骤2-4得到的轴承振动信号时域特征值、模态分量能量熵作为轴承寿命预测模型的输入，综合指标值作为输出，将7项特征构成的数据集分为训练集和预测集。
步骤6：搭建轴承寿命预测模型，利用训练集和CPSO算法对模型进行训练，确定最优回归型支持向量机的惩罚系数以及核函数的参数。
本发明的CPSO算法在PSO算法基础上引入混沌搜索思想。通过Logistic映射模式，产生混沌变量和序列来代替原粒子进行混沌搜索；同时引入非线性的动态惯性权重系数和加速因子，实现粒子飞行速度的动态调节，避免出现局部最优解。
将待优化参数初始化一群随机粒子X＝(x1,x2,…,xm)，设第i个粒子表示为xi＝(ci,gi)，i＝1,2,…,m，ci和gi分别为惩罚系数和核函数参数，寻优迭代公式如下：
xk+1＝μxk(1-xk)
Figure BDA0003240195650000081
Figure BDA0003240195650000082
Figure BDA0003240195650000083
Figure BDA0003240195650000084
式中xk、xk+1分别表示第k次、第k+1次迭代得到的混沌变量，μ表示控制参数，当μ∈(3.56,4)时，混沌变量为混沌状态；wi表示粒子xi的惯性权重系数，wmax、wmin分别表示权重系数取值的上限、下限，fi表示粒子xi的目标函数值，favg表示所有粒子的目标函数值的平均值，fmin表示所有粒子的目标函数值的最小值；xi(t)、vi(t)分别表示第i个粒子t时刻的位置和速度，r1(t)、r2(t)均为[0,1]的随机数生成函数，pi表示粒子xi的历史最优解，pg表示粒子群X中所有粒子的最优解；c1、c2分别表示第一加速因子、第二加速因子，iter表示最大迭代次数。
将粒子xi的位置数据作为回归型支持向量机的惩罚系数和核函数的参数，计算回归型支持向量机的轴承剩余寿命预测结果的均方根误差，将预测结果的均方根误差作为粒子xi的目标函数，粒子xi的目标函数fi的计算式如下：
Figure BDA0003240195650000091
式中yij表示训练集的第j个样本输入粒子xi的位置数据作为参数的回归型支持向量机得到的轴承综合指标的预测值，
Figure BDA0003240195650000092
表示训练集的第j个样本的轴承的综合指标值；n表示训练集的样本总数。
回归型支持向量机，其核心在于找到一个最优分类面使得所有训练样本离该最优分类面的误差最小。设含有n个训练样本的训练集样本对为{(xi,yi),i＝1,2,…,n}，其中xi(xi∈Rd)是第i个训练样本的输入列向量，
Figure BDA0003240195650000093
yi∈R为对应的输出值。
由上述样本可构造回归函数，即SVR模型，SVR模型的表达式如下：
Figure BDA0003240195650000094
式中αi为拉格朗日乘子；K(x,xi)表示引入的核函数，b为偏置向量。
考虑数据样本以及核参数的选定，本发明使用径向基函数核(Radial BasisFunction,RBF)，其表达式为：
Figure BDA0003240195650000095
式中σ为待定核参数。
步骤7：将预测集作为步骤6得到的回归型支持向量机的输入数据，根据轴承寿命预测模型的输出的综合指标值评估待检测轴承当前的运行状态，分析得到待检测轴承性能变化趋势；
步骤7.1：改变步骤5中的训练集划分或步骤6中优化算法的使用，可得到不同的寿命预测模型，各模型的预测性能由均方误差MSE、平均绝对误差MAE和决定系数r2确定，其计算公式分别如下：
Figure BDA0003240195650000101
Figure BDA0003240195650000102
Figure BDA0003240195650000103
式中yi和f(xi)分别为第i个样本的真实值和预测值，
Figure BDA0003240195650000104
为yi的均值。
实施例中，使用数据为NASA数据库提供的轴承数据，由FEMTO-ST研究所提供的IEEE PHM 2012Prognostic challenge数据中的振动信号。本发明的研究对象为实验中标号为3-3的滚动轴承，采用的信号为加速度信号，信号采样频率为25.6kHz。取标号为3-3的滚动轴承的全寿命数据进行案例分析。
如图2所示，实施例从时域角度分析标号为3-3的滚动轴承的全寿命数据，该轴承的失效形式为缓慢失效。如图3a～3d所示，实施例将全寿命振动信号按时间点划分为2170段，2170段时间序列进行降噪处理，计算得到每段信号的EEMD能量熵、峰峰值、均方根值、峭度、波形因子和裕度因子。如图4所示，实施例将EEMD能量熵进行归一化处理。如图5所示，实施例用所得的6种指标构造成6维的特征向量，通过KPCA方法将其融合成一个综合指标。归一化综合指标可划分为四个阶段，如表1所示。
表1划分为4个阶段的归一化综合指标表
Figure BDA0003240195650000105
将归一化EEMD能量熵指标按表1的信号区间划分为四个阶段，如图4所示。由图3、图4、图5和表1可知，所得的各类指标均能反映轴承运行状态的变化，因此，实施例中利用计算所得各类指标构建特征向量集并作为实验数据集，用于轴承的状态评估和寿命预测。对比7项特征指标，发现EEMD能量熵和综合指标随着轴承运行状态的变化其值改变较大，故选用EEMD能量熵和综合指标作为可靠性指标评估轴承性能；在全寿命阶段，综合指标的离散程度要小于EEMD能量熵，更适合作为状态评估指标。
实施例中构建第一SVR模型，所用数据为归一化处理后EEMD能量熵指标，训练集为前1299组的EEMD能量熵，预测集为后871组的EEMD能量熵。考虑迭代步长i，即前i个时段对当前时段机械运行状态的影响，令i＝2,3,4,5,6,7。用CPSO算法寻优确定模型参数，搭建不同迭代步长对应的第一SVR模型，模型输出为预测的EEMD能量熵值，SVR模型预测结果的MSE和MAE值如表2所示。
表2不同迭代步长i预测性能对比表
Figure BDA0003240195650000111
分析表2可知，随着i值的增加，SVR模型预测结果的MSE和MAE值均先减小后又快速增大，其中迭代步长i＝6对应的SVR模型预测结果的MSE和MAE分别为0.0055和0.0592，误差最小，预测结果最优，将迭代步长i＝6对应的SVR模型记为模型1。迭代步长为4、5和6的模型的预测结果分别如图6、图7和图8所示。为清晰展现模型的预测效果，图例所示预测结果为1500段到1600段间的数据，即指标剧烈变化的第二阶段间的信号。分析不同模型的预测结果，发现预测值与实际值有相同变化趋势，预测结果能表征轴承性能变化过程。
实施例中构建第二SVR模型，即本发明的轴承寿命预测模型，所用数据为轴承时域指标、时频域指标以及综合特征指标，将其归一化处理，前1299组数据设为训练集，后871组数据为测试集。第二SVR模型的输入为轴承每段信号的5维时域特征和1维时频域特征，第二SVR模型的输出为相应时间段的综合特征指标。用CPSO算法确定最优的模型参数，由训练集得到SVR模型并通过测试样本进行轴承剩余寿命预测，结果如图9所示，将该模型记为模型2。模型1和2预测结果的MSE、MAE和r2值如表3所示。
表3不同模型的预测性能对比表
Figure BDA0003240195650000121
对比图8和图9，并分析表2和表3可知，构建的两类SVR模型均能实现轴承剩余寿命的准确预测，其中模型2的MSE和MAE分别为0.0029和0.0359，误差最小，r2为0.8676，决定系数最大，说明模型2的预测性能优于模型1；训练集和预测集的构造以及输入输出指标的选择对模型预测性能影响较大；用时域指标和时频域指标作为输入，综合指标作为输出所得SVR模型的预测效果最佳。
实施例中构建第三SVR模型，第三SVR模型使用的数据以及输入/输出指标是构建第二SVR模型所用的数据和指标，模型参数分别通过PSO算法、网格搜索算法(Grid SearchAlgorithm,GSA)和遗传算法(Genetic Algorithm,GA)三种不同的寻优方法，寻优确定，搭建不同的SVR模型并进行寿命预测，第三SVR模型输出为相应时间段的综合特征指标。PSO算法、GSA算法、GA算法优化参数的模型分别记为模型3-1、模型3-2和模型3-3。模型3-1、模型3-2和模型3-3预测结果的MSE、MAE和r2如表3所示。
比较图9～12，并分析表3可知，模型2的MSE和MAE分别为0.0029和0.0359，误差最小，r2为0.8676，决定系数最大，说明CPSO算法优化所得SVR模型的预测效果要优于其它几种算法优化所得的SVR模型；在构建相同类型的预测模型时，模型参数可由不同优化算法确定，但优化算法的选用会影响最终所得的SVR模型及其预测性能。
实施结果表明，本发明提出的基于EEMD能量熵的滚动轴承运行状态评估方法，利用轴承振动信号的时域和时频域指标，以及KPCA处理所得的综合指标，结合CPSO算法，搭建SVR预测模型，实现滚动轴承的状态评估和寿命预测，具有较高的准确性和敏感性。该方法不仅适用于实施例中轴承的运行状态评估，还可以应用到其他旋转机械设备及其关键零部件中，为其健康评估提供合理的参考。本发明具有良好的拓展能力，为本技术领域的其他技术人员提供一定的借鉴作用。
需要说明的是，附图中的流程图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。要注意的是，流程图中的每个方框、以及框图与框图组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

Claims (4)

1.基于EEMD能量熵的滚动轴承运行状态评估方法，其特征在于，从轴承振动信号的时域特征值和集合经验模态分解的模态分量能量熵提取得到轴承振动信号的综合指标值，利用回归型支持向量机建立轴承寿命预测模型，将混沌搜索算法和粒子群算法相结合，利用混沌变量和序列代替粒子群算法的粒子进行混沌搜索，得到最优的回归型支持向量机的惩罚系数以及核函数的参数，轴承寿命预测模型根据根据时域特征值、模态分量能量熵得到综合指标值，利用轴承信号的综合指标值评估滚动轴承当前的运行状态，分析轴承性能变化趋势，
所述方法包括以下步骤：
步骤1：采集轴承全寿命振动数据，按时间点将信号均分为若干段并进行降噪处理；
步骤2：计算得到轴承振动信号的全寿命时域特征值；
步骤3：采用集合经验模态分解法将不同时间段的轴承振动信号分解成模态分量，计算模态分量的能量熵；
步骤4：采用核主成分分析法处理步骤2、步骤3得到的轴承振动信号全寿命时域特征指标值和模态分量的能量熵，得到轴承振动信号的全寿命综合指标值；
步骤5：利用步骤2-4得到的轴承振动信号时域特征值、模态分量能量熵作为轴承寿命预测模型的输入，综合指标值作为输出，构建轴承寿命预测模型的训练集；
步骤6：采用回归型支持向量机建立轴承寿命预测模型，利用训练集和混沌粒子群算法对轴承寿命预测模型进行训练，确定最优的回归型支持向量机的惩罚系数以及核函数的参数；
步骤7：采集待检测轴承的振动信号，计算待检测轴承的振动信号的时域特征值和模态分量能量熵，并输入轴承寿命预测模型，根据轴承寿命预测模型的输出的综合指标值评估待检测轴承当前的运行状态，分析得到待检测轴承性能变化趋势。
2.根据权利要求1所述的滚动轴承运行状态评估方法，其特征在于，步骤2中，轴承振动信号的时域特征包括峰峰值、均方根值、峭度、波形因子和裕度因子5项，方根幅值为时域指标中间值；
给定离散信号xi(i＝1,2,…,N)，N表示信号的采样点数，时域特征值的计算式如下：
峰峰值xpp＝max(xi)-min(xi)，
均方根值
Figure FDA0003240195640000011
方根幅值
Figure FDA0003240195640000012
峭度
Figure FDA0003240195640000021
波形因子
Figure FDA0003240195640000022
裕度因子L＝max|xi|/xr，
其中|xi|表示离散信号xi的绝对值，
Figure FDA0003240195640000023
表示离散信号xi(i＝1,2,…,N)的均值。
3.根据权利要求1所述的滚动轴承运行状态评估方法，其特征在于，步骤3中，将分段后的振动信号X(t)利用集合经验模态分解法分解为若干个模态分量cj(t)和残余分量r(t)的和，分解得到的振动信号X(t)的表达式如下
Figure FDA0003240195640000024
计算各个模态分量的的频带能量Ej和相对能量
Figure FDA0003240195640000025
Figure FDA0003240195640000026
式中cj(t)表示集合经验模态分解得到的第j个模态分量，j＝1,2,…,n；n表示集合经验模态分解得到的模态分量的总个数；
模态分量的能量熵的计算式如下：
Figure FDA0003240195640000027
式中Ej、
Figure FDA0003240195640000028
分别表示第j个模态分量的的频带能量和相对能量，j＝1,2,…,n。
4.根据权利要求1所述的滚动轴承运行状态评估方法，其特征在于，步骤6中，所述混沌粒子群算法，通过Logistic映射模式，产生混沌变量和序列来代替原粒子群算法的粒子进行混沌搜索，混沌搜索的迭代公式如下
xk+1＝μxk(1-xk)
式中xk、xk+1分别表示第k次、第k+1次迭代得到的混沌变量，μ表示控制参数，当μ∈(3.56,4)时，混沌变量为混沌状态；
初始化粒子群X＝{xi,1≤i≤m}，其中xi表示粒子群第i个粒子，引入非线性的动态惯性权重系数和加速因子，实现粒子飞行速度的动态调节；
惯性权重系数的计算式如下
Figure FDA0003240195640000031
式中wi表示粒子xi的惯性权重系数，wmax、wmin分别表示权重系数取值的上限、下限，fi表示粒子xi的目标函数值，favg表示所有粒子的目标函数值的平均值，fmin表示所有粒子的目标函数值的最小值；
加速因子的计算式如下
Figure FDA0003240195640000032
式中c1、c2分别表示第一加速因子、第二加速因子，iter表示最大迭代次数；
粒子群的第i个粒子的速度、位置的计算式如下
Figure FDA0003240195640000033
式中xi(t)、vi(t)分别表示第i个粒子t时刻的位置和速度，r1(t)、r2(t)均为[0,1]的随机数生成函数，pi表示粒子xi的历史最优解，pg表示粒子群X中所有粒子的最优解；
当原始粒子进行一次粒子群算法迭代后，选择粒子xi以及xi附近的粒子进行混沌优化，计算优化后粒子的目标函数值并与xi的函数值比较，确定具有历史最优解的粒子xi'；粒子xi'再进行粒子群算法迭代，得到具有历史最优解的粒子xi+1，选择粒子xi+1以及xi+1附近的粒子进行混沌优化，计算优化后粒子的目标函数值并与xi+1的函数值比较，确定具有历史最优解的粒子xi+1'，重复以上操作，当达到最大迭代次数iter时，输出结果；
将粒子xi的位置数据作为回归型支持向量机的惩罚系数和核函数的参数，计算回归型支持向量机的轴承剩余寿命预测结果的均方根误差，将预测结果的均方根误差作为粒子xi的目标函数，粒子xi的目标函数fi的计算式如下：
Figure FDA0003240195640000041
式中yij表示训练集的第j个样本输入粒子xi的位置数据作为参数的回归型支持向量机得到的轴承综合指标的预测值，
Figure FDA0003240195640000042
表示训练集的第j个样本的轴承的综合指标值；n表示训练集的样本总数。
CN202111016932.1A 2021-08-31 2021-08-31 基于eemd能量熵的滚动轴承运行状态评估方法 Active CN113743010B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111016932.1A CN113743010B (zh) 2021-08-31 2021-08-31 基于eemd能量熵的滚动轴承运行状态评估方法
CN202311309703.8A CN117540285A (zh) 2021-08-31 2021-08-31 基于能量熵和回归型支持向量机的轴承运行状态评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111016932.1A CN113743010B (zh) 2021-08-31 2021-08-31 基于eemd能量熵的滚动轴承运行状态评估方法

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202311309703.8A Division CN117540285A (zh) 2021-08-31 2021-08-31 基于能量熵和回归型支持向量机的轴承运行状态评估方法

Publications (2)

Publication Number Publication Date
CN113743010A true CN113743010A (zh) 2021-12-03
CN113743010B CN113743010B (zh) 2023-11-07

Family

ID=78734500

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202111016932.1A Active CN113743010B (zh) 2021-08-31 2021-08-31 基于eemd能量熵的滚动轴承运行状态评估方法
CN202311309703.8A Pending CN117540285A (zh) 2021-08-31 2021-08-31 基于能量熵和回归型支持向量机的轴承运行状态评估方法

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202311309703.8A Pending CN117540285A (zh) 2021-08-31 2021-08-31 基于能量熵和回归型支持向量机的轴承运行状态评估方法

Country Status (1)

Country Link
CN (2) CN113743010B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114403877A (zh) * 2022-01-21 2022-04-29 中山大学 基于二维连续模型的多生理信号情绪定量评估方法
CN114781450A (zh) * 2022-04-24 2022-07-22 华东交通大学 一种基于参数优化momeda-mia-cnn的列车滚动轴承状态识别方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105528504A (zh) * 2016-03-01 2016-04-27 哈尔滨理工大学 基于cfoa-mkhsvm的滚动轴承健康状态评估方法
CN105975749A (zh) * 2016-04-28 2016-09-28 上海交通大学 一种轴承健康评估与预测的方法及系统
CN108760266A (zh) * 2018-05-31 2018-11-06 西安交通大学 基于距离度量学习的机械关键部件虚拟退化指标构造方法
CN111597651A (zh) * 2020-04-30 2020-08-28 上海工程技术大学 一种基于hwpso-svdd模型的滚动轴承性能退化评估方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105528504A (zh) * 2016-03-01 2016-04-27 哈尔滨理工大学 基于cfoa-mkhsvm的滚动轴承健康状态评估方法
CN105975749A (zh) * 2016-04-28 2016-09-28 上海交通大学 一种轴承健康评估与预测的方法及系统
CN108760266A (zh) * 2018-05-31 2018-11-06 西安交通大学 基于距离度量学习的机械关键部件虚拟退化指标构造方法
CN111597651A (zh) * 2020-04-30 2020-08-28 上海工程技术大学 一种基于hwpso-svdd模型的滚动轴承性能退化评估方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114403877A (zh) * 2022-01-21 2022-04-29 中山大学 基于二维连续模型的多生理信号情绪定量评估方法
CN114781450A (zh) * 2022-04-24 2022-07-22 华东交通大学 一种基于参数优化momeda-mia-cnn的列车滚动轴承状态识别方法
CN114781450B (zh) * 2022-04-24 2024-03-29 华东交通大学 一种基于参数优化momeda-mia-cnn的列车滚动轴承状态识别方法

Also Published As

Publication number Publication date
CN117540285A (zh) 2024-02-09
CN113743010B (zh) 2023-11-07

Similar Documents

Publication Publication Date Title
Huang et al. Motor fault detection and feature extraction using RNN-based variational autoencoder
Grezmak et al. Interpretable convolutional neural network through layer-wise relevance propagation for machine fault diagnosis
Wei et al. Intelligent fault diagnosis of planetary gearbox based on refined composite hierarchical fuzzy entropy and random forest
Zou et al. Bearing fault diagnosis based on combined multi-scale weighted entropy morphological filtering and bi-LSTM
CN111222549B (zh) 一种基于深度神经网络的无人机故障预测方法
Lu et al. Dominant feature selection for the fault diagnosis of rotary machines using modified genetic algorithm and empirical mode decomposition
Xiao et al. Fault diagnosis of asynchronous motors based on LSTM neural network
Soualhi et al. Pattern recognition method of fault diagnostics based on a new health indicator for smart manufacturing
Ayodeji et al. Causal augmented ConvNet: A temporal memory dilated convolution model for long-sequence time series prediction
CN113743010A (zh) 基于eemd能量熵的滚动轴承运行状态评估方法
Montechiesi et al. Artificial immune system via Euclidean Distance Minimization for anomaly detection in bearings
Wu et al. A transformer-based approach for novel fault detection and fault classification/diagnosis in manufacturing: A rotary system application
Bie et al. An integrated approach based on improved CEEMDAN and LSTM deep learning neural network for fault diagnosis of reciprocating pump
Alfarizi et al. Optimized random forest model for remaining useful life prediction of experimental bearings
Dong et al. Intelligent fault diagnosis of rolling bearings based on refined composite multi-scale dispersion q-complexity and adaptive whale algorithm-extreme learning machine
Zhang et al. A bearing fault diagnosis method based on multiscale dispersion entropy and GG clustering
Hou et al. Improved multiclass support vector data description for planetary gearbox fault diagnosis
Addeh et al. Control chart patterns detection using COA based trained MLP neural network and shape features
He et al. Cross-domain adaptation network based on attention mechanism for tool wear prediction
Wu et al. Quality estimation method for gear hobbing based on attention and adversarial transfer learning
Li et al. A novel unsupervised anomaly detection method for rotating machinery based on memory augmented temporal convolutional autoencoder
Yu et al. MAG: A novel approach for effective anomaly detection in spacecraft telemetry data
Kong et al. Vibration fault analysis of hydropower units based on extreme learning machine optimized by improved sparrow search algorithm
Xiao et al. Health assessment for piston pump using LSTM neural network
Wang et al. Explainable machine learning for motor fault diagnosis

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant